Nouvelles ANR acceptées en 2023

SPECTRON est un projet interdisciplinaire qui propose le développement d’une nouvelle source microplasma d’azote atomique. Celle-ci sera fabriquée sur la base d’une configuration de décharge à cathode micro-creuse (MHCD) qui consomme très peu d’énergie et atteint d’énormes densités de puissance, ce qui permet d’améliorer la dissociation de l’azote moléculaire. L’application visée est le dépôt sur de grands substrats (à l’échelle du cm) de nitrure de bore hexagonal (h-BN), un matériau stratégique pour la photonique, l’optoélectronique, etc. La méthodologie proposée dans le cadre du projet est illustrée dans la figure 1. Notre ambition est d’obtenir un plasma fortement non équilibré avec des gradients rigides de densités d’électrons et d’espèces réactives, améliorant ainsi la réactivité du plasma et diminuant la température moyenne de dépôt. Le nouveau MHCD sera caractérisé en termes de fonctionnement stable du plasma en utilisant différents mélanges de gaz (N2/Ar et N2/He), matériaux (diélectrique et électrodes) et géométrie structurelle. La physique et la dynamique du plasma, en particulier la cinétique des atomes d’azote, seront étudiées en détail au moyen de diagnostics optiques avancés tels que l’imagerie rapide, la spectroscopie d’émission résolue dans l’espace-temps et le TALIF ultrarapide couplé à une caméra à balayage. Les résultats obtenus seront utilisés pour valider les modèles cinétiques de décharge et de CFD développés par le groupe. Pour réaliser le dépôt de films de h-BN de qualité, différents précurseurs seront étudiés et la qualité du film sera évaluée expérimentalement.

Le projet Sinfonia porté par le LSPM a pour ambition d’établir une chaîne de valeur nationale de nouveaux capteurs NV, allant de la croissance de films de diamant de « qualité quantique », à la préparation de membranes planes ou nano-structurées ayant de fortes concentrations en NV, jusqu’à leur intégration dans un magnétomètre industriel permettant le contrôle non destructif de matériaux et dans un imageur de l’activité électrique de neurones en culture. Le projet s’appuie sur des installations de pointe récemment acquises ou mises à niveau grâce à l’Equipex+ e-Diamant, et sur un savoir-faire internationalement reconnu dans la fabrication de diamant de qualité quantique. La participation de deux industriels (HiQuTe Diamond et Wainvan-E) garantira la commercialisation rapide de produits viables, et les partenaires académiques (LSPM, FOTON, LUMIN et LPENS) bénéficieront de matériaux de qualité quantique et mis en forme pour tester de nouveaux concepts et dispositifs de détection.

L’idée de ce projet est d’utiliser des approches de Data Science et de Machine Learning pour reproduire et comprendre la structuration de la matière (i.e. dislocations) lors de la déformation des métaux. L’originalité de notre projet par rapport à ce qui se fait plus communément est que les approches de Data Science doivent par design respecter les lois de la physique, permettant de formuler à terme de meilleurs modèles de prediction du comportement avec quantification naturelle des incertitudes.

Les métaux sont des matériaux de structure par excellence car ils possèdent une combinaison rare de résistance et de ductilité. Ces propriétés sont dues au mouvement et à l’interaction des dislocations, des défauts linéaires dans la structure cristalline. La prédiction quantitative de la plasticité activée par les dislocations est un « grand défi », sauf dans quelques situations, principalement en raison de leur nature multi-échelle : les propriétés élémentaires des dislocations sont contrôlées par la structure atomique, les dislocations et autres défauts forment des microstructures mesoscopiques, tandis que tous les mécanismes doivent être correctement moyennés pour définir la réponse macroscopique. Un problème clé est que les méthodes multi-échelles actuelles transfèrent des informations à travers les échelles avec des modèles physiques rigides qui manquent de mesures de l’incertitude ou de la similitude des données, empêchant l’analyse et la prédiction basées sur les données à grande échelle. Des problèmes similaires ont été rencontrés lors de la construction de potentiels interatomiques de dynamique moléculaire (MD) à partir de données ab initio ; la solution était une représentation de descripteur des structures atomiques. Avec les mesures d’incertitude/similitude, les méthodes basées sur les données ont transformé la précision des potentiels de MD, l’estimation des erreurs et la vitesse de production. DAPREDIS développera des descripteurs pour la dynamique des dislocations afin de révolutionner la façon dont l’information est transférée à l’échelle mésoscopique, et utilisera les innovations récentes de l’équipe pour prédire l’avenir des trajectoires de simulation, afin de surmonter les limitations d’échelle de temps.